GLM-5.3 is live. Run Z.ai's latest model on Friendli Model APIs. Try it today ➜
Toivo0
Available on FriendliAI
Run this model inference on single tenant GPU with unmatched speed and reliability at scale.
Run this model inference with full control and performance in your environment.
Model Details
Model Provider
Toivo0
Model Tree
unsloth/gemma-3-1b-it-unsloth-bnb-4bit
Input Modalities
Output Modalities
Supported Functionality
| Base Model | unsloth/gemma-3-1b-it-unsloth-bnb-4bit |
| Eğitim Veri Seti | Toivo0/Turkce-istatistik-reasoning (400 soru-cevap çifti) |
| Muhakeme Formatı | <think>...</think> + nihai cevap |
| Kardeş Model (thinking'siz) | Toivo0/gemma-3-finetune |
| Geliştirici | Toivo0 |
| Dil | Türkçe |
| Lisans | Apache-2.0 |
| Eğitim Aracı | Unsloth + HuggingFace TRL |
Model, 7 istatistik modülünü kapsayan 400 soru-cevap çiftiyle eğitilmiştir. Veri setindeki her örnek, bir kullanıcı sorusu ve modelin hem iç muhakeme sürecini (thinking) hem de nihai açıklamasını (content) içeren bir asistan yanıtından oluşur. Bu varyantta, thinking alanı eğitim hedefine <think>...</think> etiketleri arasına yerleştirilerek dahil edilmiştir — yani model, cevap vermeden önce muhakeme adımlarını üretmeyi de öğrenmiştir.
Kapsanan Konular:
| Modül | Konu | Soru Sayısı |
|---|---|---|
| 1 | İstatistiğin Temelleri | 51 |
| 2 | Betimsel İstatistik | 50 |
| 3 | Olasılık | 55 |
| 4 | Olasılık Dağılımları | 51 |
| 5 | Örnekleme ve Tahmin | 59 |
| 6 | Hipotez Testleri | 89 |
python
from transformers import AutoTokenizer, AutoModelForCausalLM model_id = "Toivo0/gemma-3-finetune_deneme"tokenizer = AutoTokenizer.from_pretrained(model_id)model = AutoModelForCausalLM.from_pretrained(model_id) messages = [{"role": "user", "content": "Hipotez testinde p-değeri ne anlama gelir?"}]prompt = tokenizer.apply_chat_template(messages, tokenize=False, add_generation_prompt=True)inputs = tokenizer(prompt, return_tensors="pt").to(model.device) # Not: muhakeme adimi cevaba ekleniyor, bu yuzden thinking'siz varyanta gore# daha fazla token payi birakmak gerekir.outputs = model.generate(**inputs, max_new_tokens=900, do_sample=False)response = tokenizer.decode(outputs[0][inputs.input_ids.shape[1]:], skip_special_tokens=True)print(response)Model, cevabını şu şekilde yapılandırır:
text
<think>(modelin iç muhakeme süreci — soruyu nasıl ele aldığı, hangi kavramlarıgöz önünde bulundurduğu)</think>(nihai, kullanıcıya gösterilecek açıklama)Sadece nihai cevabı almak isterseniz </think> etiketinden sonrasını ayıklayabilirsiniz:
python
if "</think>" in response: nihai_cevap = response.split("</think>", 1)[1].strip()else: nihai_cevap = response.strip()Bu model, doğrudan cevap varyantı, taban Gemma ve Qwen olmak üzere dört model, eğitimde kullanılmamış 100 sorudan oluşan Türkçe İstatistik Benchmark üzerinde karşılaştırılmıştır. Nihai cevaplar anlamsal benzerlik ve LLM-as-a-Judge yöntemleriyle ayrı ayrı değerlendirilmiştir; yöntem açıklamaları ve model bazında sonuçlar benchmark reposunda yer almaktadır.
This gemma3_text model was trained 2x faster with Unsloth and Huggingface's TRL library.
<think>(modelin iç muhakeme süreci — soruyu nasıl ele aldığı, hangi kavramlarıgöz önünde bulundurduğu)</think>(nihai, kullanıcıya gösterilecek açıklama)| 7 | Regresyon ve Korelasyon | 45 |